一种基于径向基神经网络的验证线管控方法和系统技术方案

本发明专利技术公开了一种基于径向基神经网络的验证线质量管控方法，包括：获取一段时间范围内质量管控验证线上设备的工艺特征数据，对该工艺特征数据进行预处理，以得到预处理后的工艺特征数据，将预处理后的工艺特征数据输入预先训练好的径向基神经网络，以得到最终的质量管控结果。本发明专利技术能够解决现有基于SPC的验证线管控方法在处理非线性和复杂生产过程中的适应性较差，对于快速变化的生产环境反应不够敏捷的技术问题，以及现有基于ANN的验证线管控方法由于在参数选择和网络结构上存在问题，导致训练速度慢和过拟合现象的技术问题，以及现有基于SVM的验证线管控方法在处理大规模数据和多维特征时，计算复杂度较高，实时性和可扩展性有限的技术问题。扩展性有限的技术问题。扩展性有限的技术问题。

【技术实现步骤摘要】
一种基于径向基神经网络的验证线管控方法和系统


[0001]本专利技术属于工业设备验证线质量保障算法优化领域，更具体地，涉及一种基于径向基神经网络的验证线管控方法和系统。

技术介绍

[0002]近年来，随着现代装备制造技术的快速发展，对装备性能和质量的要求日益严格。在装备制造及相关产业中，质量控制和监测是关键环节。装备验证线质量管控在装备制造过程中发挥着至关重要的作用，它可以实时监控和管理装备的性能、质量等方面，确保装备达到预期的性能指标。因此，应对复杂的生产环境和快速变化的制造工艺，装备验证线质量管控始终是一个至关重要的问题。
[0003]验证线管控方法主要针对装备制造过程中的质量控制和监测，以确保产品达到预定的质量标准。目前，常见的验证线管控方法主要包括以下几种：第一种是基于统计过程控制(Statistical Process Control，简称SPC)的验证线管控方法，主要采用控制图来显示过程中的变化，帮助判断过程是否处于稳定状态；第二种是基于人工神经网络(Artificial Neural Network，简称ANN)的验证线管控方法，是一种模拟生物神经系统的计算模型，具有较强的学习和逼近能力；第三种是基于支持向量机(Support Vector Machine,，简称SVM)的验证线管控方法，在质量管控中可以用于对生产过程中的异常数据进行检测和分类；第四种是基于专家系统的验证线管控方法，是一种基于人类专家知识的智能决策支持工具。可以利用专家的经验和知识，辅助进行故障诊断和过程调整。
[0004]然而，上述现有的验证线管控方法均存在一些不可忽略的技术问题：基于SPC的验证线管控方法在处理非线性和复杂生产过程中的适应性较差，对于快速变化的生产环境反应不够敏捷；在基于ANN的验证线管控方法中，传统的ANN结构可能在参数选择和网络结构上存在问题，导致训练速度慢和过拟合现象；基于SVM的验证线管控方法中，SVM在处理大规模数据和多维特征时，计算复杂度较高，实时性和可扩展性有限；对于基于专家系统的验证线管控方法而言，专家系统依赖于专家知识的完整性和准确性，且难以适应生产环境的快速变化。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于径向基神经网络的验证线管控方法和系统，其目的在于，解决现有基于SPC的验证线管控方法在处理非线性和复杂生产过程中的适应性较差，对于快速变化的生产环境反应不够敏捷的技术问题，以及现有基于ANN的验证线管控方法由于在参数选择和网络结构上存在问题，导致训练速度慢和过拟合现象的技术问题，以及现有基于SVM的验证线管控方法在处理大规模数据和多维特征时，计算复杂度较高，实时性和可扩展性有限的技术问题，以及现有基于专家系统的验证线管控方法过于依赖于专家知识的完整性和准确性，且难以适应生产环境的快速变化的技术问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于径向基神经网络的验证线质量管控方法，包括：获取一段时间范围内质量管控验证线上设备的工艺特征数据，对该工艺特征数据进行预处理，以得到预处理后的工艺特征数据，将预处理后的工艺特征数据输入预先训练好的径向基神经网络，以得到最终的质量管控结果。
[0007]优选地，工艺特征数据包括工艺设备数据、量测设备数据、环境数据、以及产品数据。
[0008]步骤(1)首先是对获取的工艺特征数据中取值为负的数据进行删除，然后使用Z
‑
Score标准化方法对删除处理后的所有工艺特征数据进行标准化处理，以得到预处理后的工艺特征数据；
[0009]其中标准化处理是采用如下公式：
[0010][0011]其中x
j(i)
表示质量管控验证线上第i个设备的第j个特征，i∈[1，质量管控验证线上设备的总数]，j∈[1，质量管控验证线上第i个设备的工艺特征数据中的特征总数]，μ
j
为质量管控验证线上第i个设备的工艺特征数据中第j个特征对应所有值的均值，σ
j
为质量管控验证线上第i个设备的工艺特征数据中第j个特征对应的标准差。
[0012]优选地，径向基神经网络包括依次连接的输入层、隐含层和输出层三个部分。
[0013]优选地，径向基神经网络是通过以下步骤训练得到的：
[0014](2
‑
1)获取质量管控验证线数据集，并将该质量管控验证线数据集按照8:2的比例划分为训练集和验证集，分别对训练集和验证集中的每个质量管控验证线数据进行预处理，以得到预处理后的训练集和验证集；
[0015](2
‑
2)根据步骤(2
‑
1)预处理后的训练集，并使用粒子群优化算法对径向基神经网络的参数进行优化，以得到优化后的参数。
[0016](2
‑
3)从步骤(2
‑
2)优化后的参数构建径向基神经网络模型，并选择径向基函数作为该径向基神经网络的激活函数。
[0017](2
‑
4)将步骤(2
‑
3)得到的激活函数输入径向基神经网络模型的输出层，以得到输出结果。
[0018](2
‑
5)基于步骤(2
‑
4)的输出结果，并使用梯度下降法对径向基神经网络模型的输出层的权重进行处理，以得到处理后的输出层权重，并得到初步训练好的验证线管控模型。
[0019](2
‑
6)使用验证集对步骤(2
‑
5)初步训练好的径向基神经网络模型进行验证，以得到最终训练好的验证线管控模型。
[0020]优选地，步骤(2
‑
2)包括以下子步骤：
[0021](2
‑2‑
1)设置计数器i＝1，设置粒子群中第i个粒子的个体极值Pbest
i
＝0，全局极值Gbest＝0；其中第i个粒子的个体极值Pbest
i
表示第i个粒子当前搜索到的最优位置，全局极值Gbest表示整个粒子群当前搜索到的最优位置。
[0022](2
‑2‑
2)使用步骤(2
‑
1)预处理后的训练集初始化粒子群，包括群体规模N，第i个粒子的位置x
i
和速度v
i
；
[0023](2
‑2‑
3)获取第i个粒子的适应度值Fit
i
：
[0024](2
‑2‑
4)判断适应度值Fit
i
是否大于第i个粒子的个体极值Pbest
i
，如果是，则转入步骤(2
‑2‑
5)，否则转入步骤(2
‑2‑
6)；
[0025](2
‑2‑
5)将第i个粒子的个体极值Pbest
i
设置为Fit
i
，然后进入步骤(2
‑2‑
6本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于径向基神经网络的验证线质量管控方法，其特征在于，包括如下步骤：(1)获取一段时间范围内质量管控验证线上设备的工艺特征数据，对该工艺特征数据进行预处理，以得到预处理后的工艺特征数据。(2)将步骤(1)预处理后的工艺特征数据输入预先训练好的径向基神经网络，以得到最终的质量管控结果。2.根据权利要求1所述的基于径向基神经网络的验证线质量管控方法，其特征在于，工艺特征数据包括工艺设备数据、量测设备数据、环境数据、以及产品数据。步骤(1)首先是对获取的工艺特征数据中取值为负的数据进行删除，然后使用Z
‑
Score标准化方法对删除处理后的所有工艺特征数据进行标准化处理，以得到预处理后的工艺特征数据；其中标准化处理是采用如下公式：其中x
j(i)
表示质量管控验证线上第i个设备的第j个特征，i∈[1，质量管控验证线上设备的总数]，j∈[1，质量管控验证线上第i个设备的工艺特征数据中的特征总数]，μ
j
为质量管控验证线上第i个设备的工艺特征数据中第j个特征对应所有值的均值，σ
j
为质量管控验证线上第i个设备的工艺特征数据中第j个特征对应的标准差。3.根据权利要求1或2所述的基于径向基神经网络的验证线质量管控方法，其特征在于，径向基神经网络包括依次连接的输入层、隐含层和输出层三个部分。4.根据权利要求1至3中任意一项所述的基于径向基神经网络的验证线质量管控方法，其特征在于，径向基神经网络是通过以下步骤训练得到的：(2
‑
1)获取质量管控验证线数据集，并将该质量管控验证线数据集按照8:2的比例划分为训练集和验证集，分别对训练集和验证集中的每个质量管控验证线数据进行预处理，以得到预处理后的训练集和验证集；(2
‑
2)根据步骤(2
‑
1)预处理后的训练集，并使用粒子群优化算法对径向基神经网络的参数进行优化，以得到优化后的参数。(2
‑
3)从步骤(2
‑
2)优化后的参数构建径向基神经网络模型，并选择径向基函数作为该径向基神经网络的激活函数。(2
‑
4)将步骤(2
‑
3)得到的激活函数输入径向基神经网络模型的输出层，以得到输出结果。(2
‑
5)基于步骤(2
‑
4)的输出结果，并使用梯度下降法对径向基神经网络模型的输出层的权重进行处理，以得到处理后的输出层权重，并得到初步训练好的验证线管控模型。(2
‑
6)使用验证集对步骤(2
‑
5)初步训练好的径向基神经网络模型进行验证，以得到最终训练好的验证线管控模型。5.根据权利要求4所述的基于径向基神经网络的验证线质量管控方法，其特征在于，步骤(2
‑
2)包括以下子步骤：(2
‑2‑
1)设置计数器i＝1，设置粒子群中第i个粒子的个体极值Pbest
i
＝0，全局极值Gbest＝0；其中第i个粒子的个体极值Pbest
i
表示第i个粒子当前搜索到的最优位置，全局
极值Gbest表示整个粒子群当前搜索到的最优位置。(2
‑2‑
2)使用步骤(2
‑
1)预处理后的训练集初始化粒子群，包括群体规模N，第i个粒子的位置x
i
和速度v
i
；(2
‑2‑
3)获取第i个粒子的适应度值Fit
i
：(2
‑2‑
4)判断适应度值Fit
i
是否大于第i个粒子的个体极值Pbest
i
，如果是，则转入步骤(2
‑2‑
5)，否则转入步骤(2
‑2‑
6)；(2
‑2‑
5)将第i个粒子的个体极值Pbest
i
设置为Fit
i
，然后进入步骤(2
‑2‑
6)；(2
‑2‑
6)判断适应度值Fit
i
是否大于全局极值Gbest，如果是，则转入步骤(2
‑2‑
7)。否则，转入步骤(2
‑2‑
8)；(2
‑2‑
7)将全局极值Gbest设置为Fit
i
，然后转入步骤(2
‑2‑
8)；(2
‑2‑
8)根据第i个粒子的速度v
i
和位置x
i
分别获取该粒子的向量表示x
id
，以及该粒子的飞行速度v
id
，然后进入步骤(2
‑2‑
9)：(2
‑2‑
...

【专利技术属性】
技术研发人员：唐卓，邓源，李肯立，程欣威，曹丽婷，刘梦涵，安振宇，唐哲浩，
申请(专利权)人：湖南大学，
类型：发明
国别省市：